如何在OpenCV中提取搅拌轴轮廓并将其作为掩码分析剩余图像

问题分析 #

你当前使用固定阈值二值化的方式，无法精准区分搅拌轴和周围的液体、玻璃管区域——图像中液体的灰度波动、玻璃管的反光会干扰阈值判断，导致轮廓提取不准确。

改进步骤与代码 #

下面是针对性的处理方案，通过降噪、自适应阈值、轮廓筛选来精准提取搅拌轴：

import cv2
import numpy as np

# 读取图像
img_path = "For_stack.png"
image = cv2.imread(img_path)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 1. 高斯模糊降噪，消除液体波动带来的噪点
blurred = cv2.GaussianBlur(image_gray, (5, 5), 0)

# 2. 自适应阈值二值化，适配局部灰度差异
thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                               cv2.THRESH_BINARY_INV, 11, 2)

# 3. 形态学操作，去除小噪点、强化轮廓连贯性
kernel = np.ones((3, 3), np.uint8)
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

# 4. 提取轮廓并筛选搅拌轴（利用长条形态特征）
contours, _ = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

stirrer_contour = None
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    # 根据图像实际特征调整面积、高宽比阈值
    if h > w * 5 and 200 < cv2.contourArea(cnt) < 2000:
        stirrer_contour = cnt
        break

# 5. 生成掩码并提取剩余分析区域
mask = np.zeros_like(image_gray)
if stirrer_contour is not None:
    cv2.drawContours(mask, [stirrer_contour], -1, 255, thickness=cv2.FILLED)
    # 用位运算分离出搅拌轴以外的区域
    remaining_area = cv2.bitwise_and(image_gray, image_gray, mask=cv2.bitwise_not(mask))

    # 展示结果
    cv2.imshow("搅拌轴掩码", mask)
    cv2.imshow("剩余分析区域", remaining_area)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
else:
    print("未检测到搅拌轴轮廓")

关键步骤说明 #

• 高斯模糊：过滤液体流动产生的细碎噪点，避免干扰后续轮廓提取
• 自适应阈值：相比固定阈值，能根据局部区域灰度自动调整阈值，更好区分搅拌轴与周围环境
• 形态学操作：闭合小缝隙、消除孤立噪点，让轮廓更连贯
• 轮廓筛选：利用搅拌轴的长条形态特征（高宽比大、面积在特定范围），从所有轮廓中精准定位目标

原始图像：

处理后可得到清晰的搅拌轴掩码，剩余区域可直接用于后续分析。

内容的提问来源于stack exchange，提问作者pfl1001